Preprocesamiento de datos

UNGS/CONICET

Inicio

Funciones de conversión

• Canada – National Energy Board. Energy Conversion Tables
• BP
• EIA

source("functions_hidrocarburos.R")

Variables

Producción de Crudo

Producción de Gas Natural

Produccion total

produccion_total <- prod_merge_gas_bep %>% 
  select(anio, unidad,prod_gas) %>%
  left_join(prod_merge_crudo %>% 
              select(anio, unidad,prod_crudo) %>%  mutate(unidad ="BEP") ) %>% 
  mutate(produccion_total_bep = prod_crudo + prod_gas)

Joining, by = c("anio", "unidad")

produccion_total

Precio Mercado Interno

Precio Mercado Interno de Crudo

Precio Mercado Interno de Gas Natural

Precios de Referencia del Mercado Mundial

Precios de Referencia del Crudo

Precios de Referencia del Gas

Exportación Argentina

Referencias mundiales

Bolivia

Todos los precios

precio_crudo_vs_gas <- precio_mdomundial_gas_bep %>% 
  select(anio, unidad, precio_externo_gas) %>% 
  left_join(precios_referencia_y_expo_crudo %>% 
              select(-unidad) %>% 
              gather(key = tipo_precio_crudo,
                     value   = precio_crudo_usd_bbl,
                     2:ncol(.)), by ="anio") %>% 
  mutate(precio_crudo_sobre_gas =precio_crudo_usd_bbl/precio_externo_gas) %>% 
  filter(!(is.na(precio_crudo_sobre_gas)), 
         !(tipo_precio_crudo %in% c("wti_spot_price_fred", "precio_me_crudo"))  )
         # (tipo_precio_crudo %in% c("brent_iea"))  )
         # (tipo_precio_crudo %in% c("brent_iea", "brent_historic"))  )
precio_crudo_vs_gas

# graf <-  precio_crudo_vs_gas %>% 
#   ggplot(aes(anio, precio_crudo_sobre_gas, color=tipo_precio_crudo))+
#   geom_line()+
#   labs(title = "precio del crudo sobre el del gas (ambos en barriles)")

# ggplotly(graf, width = 800, length=600)
# graf

# writexl::write_xlsx(precio_crudo_vs_gas, path= "precio del crudo vs gas.xlsx")  

Exportaciones e Importaciones

Exportaciones e Importaciones de Crudo

Exportaciones e Importaciones de Gas

Empleo, Remuneraciones y Masa Salarial (CCNN)

Activos

Pasar datos de bs de uso en yacimientos para armar relación activo yacimeinto/total

Fuentes:

• Balances de Bolsar (unicamente empresas que cotizan en la bolsa de valores argentina). Revisar el stock del sector distribución porque se presenta demasiado grande con respecto al de los demás. Falta pasar los datos del activo de casi todas las empresas

• AFIP. Con esta fuente no tenemos calculo de renta, sino que solo usamos la TG como parámetro. Nota: "_c" significa casos presentados de la variable correspondiente

• Memorias de YPF. La década de los 80 presenta picos que hay que revisar

• Calculo del Capital Total Adelantado (KTA)

  • Bolsar: Es equivalente a la suma de Propiedad, Planta y Equipos Neta (descontando los terrenos y obras en curso) y los Inventarios. Cuando los datos lo habilitan, se le agregó los salarios adelantados (salarios y cargas consumidos sobre rotación). Luego, cuando no se presentaron datos de Propiedad, Planta y Equipos, se tomó el activo no corriente.
  • AFIP: Es equivalente a la suma de Bienes de Uso, Bienes de Cambio, Inventarios y Disponibilidades.
  • Memoria YPF: Suma de Bienes de Uso y Bienes de Cambio

Stock total de la rama

Stock de segmentos de YPF y Petrobras

Stock por empresas

YPF largo plazo

Comparación entre la Memoria YPF (recopilado por BFR) y los balances extríados de Bolsar

YPF

#metros perforados
metros_perforados_posterior_al_2009 <- read_csv("../data/secretaria_energia/sesco/metros-perforados.csv", 
    col_types = cols(indice_tiempo = col_date(format = "%Y-%m")))

metros_perforados_anterior_al_2009 <- read_csv("../data/secretaria_energia/sesco/metros-perforados-anterior-al-2009.csv") %>% 
  rename(cantidad = Cantidad)

Rows: 55608 Columns: 19
-- Column specification -----------------------------------------------------------------------------------------------------------------
Delimiter: ","
chr  (12): idempresa, empresa, idareapermisoconcesion, areapermisoconcesion, idareayacimiento, areayacimiento, idcuenca, cuenca, idpr...
dbl   (5): anio, mes, idubicacion, idconcepto, Cantidad
lgl   (1): observaciones
date  (1): fecha_data

i Use `spec()` to retrieve the full column specification for this data.
i Specify the column types or set `show_col_types = FALSE` to quiet this message.

metros_perforados_empresa <- metros_perforados_posterior_al_2009 %>%
  bind_rows(metros_perforados_anterior_al_2009) %>% 
  select(anio, mes, idempresa, empresa, idconcepto, concepto, cantidad, observaciones ) %>% 
  group_by(anio, idempresa, empresa) %>%
  summarise(metros_perforados = sum(cantidad, na.rm = T)) %>% 
  ungroup()

`summarise()` has grouped output by 'anio', 'idempresa'. You can override using the `.groups` argument.

#listado de empresas con sus id's
listado_empresa <- distinct(metros_perforados_empresa %>% 
              select(idempresa, empresa),idempresa, .keep_all = T) 

# sec energia
# pozos cargados por empresas
listado_pozos <- read_csv("../data/secretaria_energia/cap_iv/listado-de-pozos-cargados-por-empresas-operadoras.csv") %>% 
  mutate(anio_terminacion_pozo =year(adjiv_fecha_fin_term)) %>%
  left_join(listado_empresa) %>% 
  group_by(anio_terminacion_pozo, idempresa, empresa) %>% 
  summarise(pozos = n()) %>% 
  filter(!is.na(anio_terminacion_pozo))

Rows: 79951 Columns: 51
-- Column specification -----------------------------------------------------------------------------------------------------------------
Delimiter: ","
chr  (21): sigla, formprod, idempresa, idareapermisoconcesion, idareayacimiento, idcuenca, idprovincia, codigopropio, nombrepropio, a...
dbl  (22): idpozo, coordenadax, coordenaday, cota, profundidad, pet_inicial, gas_inicial, agua_inicial, iny_agua_inicial, iny_gas_ini...
lgl   (1): unique_sigla_formprod
dttm  (2): fechadeingreso, fecha_data
date  (5): adjiv_fecha_inicio, adjiv_fecha_fin, adjiv_fecha_inicio_term, adjiv_fecha_fin_term, adjiv_fecha_abandono

i Use `spec()` to retrieve the full column specification for this data.
i Specify the column types or set `show_col_types = FALSE` to quiet this message.
Joining, by = "idempresa"
`summarise()` has grouped output by 'anio_terminacion_pozo', 'idempresa'. You can override using the `.groups` argument.

ppye_ypf <- ypf_seg %>% 
  filter(sector  == "upstream" ) %>% 
  mutate(anio = year(fecha)) %>% 
  left_join(ipc_promedio %>% 
              select(anio, ipc_18), by = "anio") %>% 
  mutate(variable = "activo_upstream_ypf",
         activos = activos/ipc_18,
         unidad = "Millones de pesos 2018")%>% 
  select(anio, empresa, unidad ,  activo_upstream= activos) %>% 
  left_join(stock_balances_empresas %>% 
    ungroup() %>% 
    filter(variable == "ppye" & empresa == "YPF") %>%
    select(anio, empresa, unidad, ppye_integrada =valor) , by = c("anio", "empresa", "unidad")) %>% 
  mutate(activo_upstream = variacion_interanual(activo_upstream),
         ppye_integrada = variacion_interanual(ppye_integrada)) %>% 
  full_join(listado_pozos %>%
              select(-empresa) %>% 
              ungroup() %>% 
              filter(idempresa == "YPF") %>% 
              rename(anio = anio_terminacion_pozo, empresa = idempresa), by = c("anio", "empresa") ) %>% 
  arrange(anio)
ppye_ypf

ppye_ypf_tasas <- ppye_ypf %>%
   arrange(anio) %>%
  filter(anio %in% 1998:2018) %>%
  select(-c(anio, empresa, unidad)) %>%
  mutate_all(tasa_crecimiento)

#matriz de correlacion
# cor_pozos_ypf <- cor(ppye_ypf_tasas, use = "complete.obs")
# cor_pozos_ypf

#  distintos correlogramas
#con ggcorrplot
# p.mat = cor_pmat(cor_pozos_ypf)
# ggcorrplot(cor_pozos_ypf, hc.order = TRUE,
#     type = "lower", p.mat = p.mat, lab = T)

# GGally::ggpairs(ppye_ypf_tasas, lower = list(continuous = "smooth"))
# plot(ppye_ypf_tasas)

#años bases
anio_base_ypf_segmento <-   ppye_ypf$activo_upstream[ppye_ypf$anio == 2006]

anio_base_ypf_bolsar <- ppye_ypf$ppye_integrada[ppye_ypf$anio == 2006]


stock_y_pozos_ypf <-  ppye_ypf %>% 
  mutate(indice_pozos_06 = generar_indice(serie= pozos ,
                                        fecha = anio,
                                        fecha_base = 2006)) %>% 
  mutate(ppye_ypf_estimado = anio_base_ypf_bolsar * indice_pozos_06,
         activo_ypf_estimado =anio_base_ypf_segmento * indice_pozos_06,
         unidad_ppye="Millones de pesos 2018")

# stock_y_pozos_ypf %>%
#            select(anio, unidad = unidad_ppye, ppye_ypf_estimado, activo_ypf_estimado) %>%
#            gather(key = estimacion,
#                    value = valor, 
#                    3:4) %>% 
#            filter(anio >1960) %>% 
#   ggplot(aes(anio,valor , color = estimacion))+
#   geom_line()+
#   labs(y= "Millones de pesos de 2018", title = "Estimacion de Activo usptream y PPyE de YPF a partir de indice de pozos")

PPyE y activo upstream total rama a partir de YPF

pozos_yfp_sobre_total <- listado_pozos %>%
  rename(anio = anio_terminacion_pozo) %>% 
  group_by(anio) %>% 
  summarise(pozos_cargados_sec_energia = sum(pozos, na.rm = T)) %>% 
  left_join(listado_pozos %>%
              rename(anio = anio_terminacion_pozo) %>% 
              filter(idempresa == "YPF") %>% 
              group_by(anio, idempresa) %>% 
              summarise(pozos_cargados_ypf = sum(pozos, na.rm = T))) %>% 
  mutate(ypf_sobre_total = pozos_cargados_ypf/pozos_cargados_sec_energia)

`summarise()` has grouped output by 'anio'. You can override using the `.groups` argument.
Joining, by = "anio"

# pozos_yfp_sobre_total

estimacion_ppye_total_via_ypf <- stock_y_pozos_ypf %>% 
  select(anio, unidad = unidad_ppye, ppye_ypf_estimado, activo_ypf_estimado) %>% 
  gather(key = estimacion,
         value = valor, 
         3:4) %>% 
  left_join(pozos_yfp_sobre_total %>% 
              select(anio, ypf_sobre_total)) %>% 
  mutate(valor = valor/ypf_sobre_total,
          estimacion = case_when(estimacion == "ppye_ypf_estimado" ~ "ppye_estimado_total",
                                 estimacion == "activo_ypf_estimado" ~ "activo_estimado_upstream" ))

Joining, by = "anio"

  
# estimacion_ppye_total_via_ypf %>%
#            filter(anio >1960) %>% 
#   ggplot(aes(anio,valor , color = estimacion))+
#   geom_line()+
#   labs(y= "Millones de pesos de 2018", 
#        title = "Estimacion de Activo usptream y PPyE total a partir de ampliación de pozos YPF")

Regalías

• Fuentes:
  • Secretaría de Energía (Base Regalías)

Subsidios

# CEFIP cont et al. Subsidios como % del PBI
subsidios_cefip <- read_excel("../data/cefip/subsidios.xlsx") %>% 
  gather(key = anio,
         value = subsidios_porcentaje_pbi,
         2:ncol(.)) %>% 
  filter(sector %in% c( "Plan Gas",
                       # "ENARSA","CAMMESA", 
                       "Subsidios FF GN y GLP")) %>% 
  mutate(anio = as.double(anio)) %>% 
  left_join(ganancia_y_pbi %>% 
              select(anio, pbi)) %>%
  mutate(subsidios_porcentaje_pbi=as.double(subsidios_porcentaje_pbi),
         subsidios_cefip = subsidios_porcentaje_pbi/100 * pbi * 10^6) %>% 
  group_by(anio) %>% 
  summarise(unidad = "Pesos corrientes",
            subsidios_cefip=sum(subsidios_cefip, na.rm = T))

Joining, by = "anio"
NAs introducidos por coerci昼㸳n

#ejes 
subsidios_ejes <- read_excel("../data/ejes/subsidios.xlsx" ) %>% 
  rename(subsidios_usd = subsidios_hidrocarburos) %>% 
  right_join(tcp_anual_b %>% 
               select(anio, tcc), by = "anio") %>%
  group_by(anio) %>% 
  summarise(unidad = "Pesos corrientes",
         subsidios_ejes = subsidios_usd*tcc*10^6)

subsidios_hidrocarburos <- subsidios_ejes%>% 
  select(anio, unidad, subsidios_ejes) %>% 
  full_join(subsidios_cefip, by =c("anio", "unidad")) %>% 
  arrange(-anio) %>% 
  mutate(unidad = "Pesos corrientes")
         # x = subsidios_cefip/subsidios_ejes)
subsidios_hidrocarburos  

Valor total de la producción

Estimaciones propias

Tasa de Ganancia

\[TG_{hidrocarburos} = \frac{PV_{hidrocarburífera}}{KTA_{hidrocarburífero}}\]

##Total rama

Renta apropiada por las empresas de la rama

La renta apropiada por las empresas de la rama se calcula por medio del diferencial de tasas de ganancia entre el sector hidrocarburífero que surge a partir de los balances y la rentabilidad normal de la economía.

\[Renta\_empresas = KTA_{hidrocarburífero} * (TG_{hidrocarburífera} - TG_{referencia})\] \[TG_{hidrocarburífera} = \frac{Gcia_{hidrocarburos}}{KTA_{hidrocarburífero}}\] Por lo cual, la renta apropiada por las empresas de la rama sería equivalente a:

\[Renta\_empresas = Gcia_{hidrocarburos} - KTA_{hidrocarburífero} * TG_{referencia}\]

Donde:

• \(KTA_{hidrocarburífero}\) = Stock de capital adelantado de empresas hidrocarburíferas
• \(TG_{hidrocarburífera}\) = Tasa de ganancia de empresas hidrocarburíferas
• \(TG_{referencia}\) = Tasa de ganancia de referencia
• \(Gcia_{hidrocarburos}\) = Ganancia de empresas hidrocarburíferas

Joining, by = "anio"

Renta por el diferencial de precios entre el mercado interno y las referencias internacionales

Renta apropiada mediante el abaratamiento en el consumo interno por efecto del diferencial de precios interno/externo, sobrevaluación de la moneda y retenciones a la exportación

Criterio de cómputo de JK (variable ‘renta_dif_precios’)

\[RDP= ProdInt * Pext * TCP - ProdInt * PMI * TCC\]

Donde:

• \(RDP\) = Renta apropiada por efecto diferencial de precios interno/externo y sobrevaluación
• \(MdoInt\) = Producción destinada al Mercado Interno: Producción - Exportaciones - Existencias (barriles de petróleo ó MMBTU)
• \(Pext\) = Precio de referencia del mercado externo (USD)
• \(PMI\) = Precio de venta del mercado interno (USD)
• \(TCP\) = Tipo de Cambio de Paridad
• \(TCC\) = Tipo de Cambio Comercial

Criterio de cómputo de JIC y cia (variable ‘renta_abaratamiento_sobrevaluacion’)

\[RDP = MdoInt * PMI * (\frac{TCP}{TCC} - 1)\]

Renta apropiada por sobrevaluación cambiaria

\[Rsobrevaluacion = Expo * Pext * (TCP - TCC)\]

Donde: * \(Rsobrevaluacion\) = Renta apropiada por exportaciones con tipo de cambio sobrevaluado * \(Expo\) = Exportaciones (barriles de petróleo ó MMBTU) * \(Pext\) = Precio de referencia del mercado externo (USD) * \(TCP\) = Tipo de Cambio de Paridad * \(TCC\) = Tipo de Cambio Comercial

Joining, by = "anio"

Renta apropiada por el Estado mediante impuestos específicos

Joining, by = "anio"
Joining, by = c("anio", "unidad")
Joining, by = c("anio", "unidad")

\[Rimp = RE + Reg\]

Donde:

• \(Rimp\) = Renta apropiada por el Estado mediante impuestos específicos
• \(RE\) = Retenciones
• \(Reg\) = Regalias

Renta apropiada por consumidores y refinerías y procesadoras

Criterio de cómputo de Ramón (2019)

Refinerías y procesadoras

\[RR = (PI - PRMi) * CrudoP\]

• \(RR\) = Renta apropiada por las Refinadoras
• \(PI\) = promedio ponderado de Precios Internacionales
• \(PRMi\) = Precio ponderado a Refinerías del Mercado Interno
• \(CrudoP\) = barriles de Crudo Procesado por las refinadoras

Consumidores

\[RC = (PI - PRMi - MR) * CrudoP \]

• \(RC\) = Renta apropiada por los Consumidores
• \(MR\) = Margen de Refinerías

Esto resulta equivalente a plantear:

\[RC = PCMi * CrudoP\]

• \(PCMi\) = Precio ponderado a Consumidores del Mercado Interno.

Combustibles

Renta Hidrocarburífera Total. En precios constantes, sobre Plusvalía Total y PBI

Existen dos caminos para llegar al monto total de renta de la tierra hidrocarburífera: uno es descontando la ganancia normal de las empresas a la plusvalía total del sector y el otro es por medio de la suma de mecanismos de apropiación.

\[Renta\_hidrocarburífera = PV_{hidrocarburífera} - Gcia\_Normal_{hidrocarburífera}\] Donde:

• \(Gcia\_Normal_{hidrocarburífera}\) = Ganancia Normal del sector hidrocarburífero
• \(PV_{hidrocarburífera}\) = Plusvalía del sector hidrocarburífero

\[Gcia\_Normal_{hidrocarburífera} = KTA_{hidrocarburífero} * TG_{referencia}\]

Donde:

• \(KTA_{hidrocarburos}\) = Stock de capital adelantado del sector hidrocarburífero
• \(TG_{referencia}\) = Tasa de ganancia normal de referencia.

En este caso, seleccionamos la tasa de ganancia del sector industrial como parámetro para diferenciar la renta de la ganancia. A su vez, para el capital total adelantado de las empresas hidrocarburíferas, seleccionamos unicamente el valor resultante de la estimación de la PPyE de Bolsar a partir del indice de flujo de pozos (variable “ppye_bolsar_flujo”), por lo que le faltan los inventarios y salarios adelantados.

El cálculo de renta total hidrocarburífera que se obtiene por medio de descontar la ganancia normal a la plusvalía total del sector, debe ser igual a la renta obtenida por medio de la agregación de los distintos mecanismos de apropiación. Es decir:

\[Renta\_hidrocarburífera = Renta\_diferencial\_precios + Renta\_sobrevaluación + Renta\_empresas + Impuestos\_netos\_específicos \] \[Impuestos\_netos\_específicos = Retenciones + Regalías - Subsidios\]

Método directo (a partir de descuentos sobre el VBP)

Método indirecto (suma de mecanismos)

#################### solo gas
# Gas
# renta_gas_pbi_pv <- renta_diferencial_precios_gas %>% 
#   select(anio,renta_diferencial_precios_gas, renta_abaratamiento_sobrevaluacion_gas ) %>% 
#   group_by(anio ) %>% 
#   mutate_all(function(x) {x / 10^6}) %>% 
#   left_join(ganancia_y_pbi) %>% 
#   mutate(renta_dif_precios_gas_pv = renta_dif_precios_gas/ganancia,
#          renta_dif_precios_gas_pbi = renta_dif_precios_gas/pbi,
#          renta_abaratamiento_sobrevaluacion_gas_pv = renta_abaratamiento_sobrevaluacion_gas/ganancia,
#          renta_abaratamiento_sobrevaluacion_gas_pbi = renta_abaratamiento_sobrevaluacion_gas/pbi,
#          unidad = "Millones de Pesos corrientes")
# 
# graf_renta_gas_pv <- renta_gas_pbi_pv %>% 
#   select(anio, 7:ncol(.) ) %>% 
#   gather(key = tipo_renta,
#          value = valor,
#          2:ncol(.)) %>% 
#   ggplot(aes(anio, valor, color = tipo_renta, fill = tipo_renta))+
#   geom_col(position = "dodge")+
#   theme(legend.position = "bottom")+
#   labs(title = "Renta petrolera por diferencial de precios interno y externo sobre PBI y Ganancias Totales",
#        y = "%")
# plotly::ggplotly(graf_renta_gas_pv)

Costos

\[Q\_total = Q_{petróleo} + Q_{gas} \] Donde:

• \(Q\_total\) = Cantidades producidas de petróleo y gas en Barriles Equivalentes de Petróleo
• \(Q_{petróleo}\) = Cantidades producidas de petróleo crudo en barriles equivalentes de petróleo (BOE)
• \(Q_{gas}\) = Cantidades producidas de gas natural en barriles equivalentes de petróleo (BOE)

\[ Costos\_totales = CI + MS + ConKfijo\]

Donde:

• \(Costos\_totales\) = Costos totales hidrocarburíferos
• \(CI\) = Consumo Intermedio, distintas estimaciones
• \(MS\) = Masa Salarial, distintas estimaciones
• \(ConKfijo\) = Consumo de Capital Fijo

\[Costos\_totales\_con\_Gcia = Costos\_totales + Gcia\_Normal_{hidrocarburífera} \] Donde:

• \(Costos\_totales\_con\_Gcia\) = Costos totales hidrocarburíferos con ganancia normal
• \(Gcia\_Normal_{hidrocarburífera}\) = Ganancia normal del sector hidrocarburífero

\[ Precio\_costo = \frac{Costos\_totales}{Q\_total} \] Donde: * \(Precio\_costo\) = Precio de costo en BOE

A partir de esto se puede calcular un costo recuperable del petróleo y del gas

\[Costo\_crudo = Q_{petróleo} * Precio\_costo\] \[Costo\_gas = Q_{gas} * Precio\_costo\]

\[Precio\_produccion = \frac{Costos\_totales\_con\_Gcia}{Q\_total}\]

\[Precio\_vta\_potencial = \frac{Q\_total*Pext_{petróleo} - Costos\_totales}{Q\_total} \]

Donde: * \(Precio\_produccion\)= Precio de produccion * \(Precio_vta_potencial\) = Precio de venta potencial * \(Pext_{petróleo}\) = Precio de exportación/referencia internacional del petróleo crudo

#estimacion costos propia
costos <- produccion_total %>% 
  select(anio, unidad_produccion=unidad,
         produccion_crudo =prod_crudo, produccion_gas=prod_gas,
         produccion_total=produccion_total_bep) %>% 
 left_join(stock_estimado %>%
               left_join(ipc_promedio %>% select(anio, ipc_18)) %>%
              # filter(variable == "ppye_estimado_bolsar") %>% 
              mutate(consumo_k_fijo = valor * ipc_18 * consumo_k_fijo_ypf) %>% 
               select(anio, consumo_k_fijo)) %>%
  left_join(valor_total_produccion %>% 
              left_join(ipc_promedio %>% select(anio, ipc_18)) %>% 
              left_join(tcp_anual_b %>% select(-sobrevaluacion)) %>%
              filter(variable %in% c("ci_extr", "ms_extr"),
                     fuente%in% c("CCNN oficial", "Empalme CCNN")) %>% #"Criterio CCNN"
              mutate(valor = (valor*10^6)*ipc_18/tcc,
                     unidad ="USD tcc") %>% 
              spread(key=variable, value=valor)) %>% 
  left_join(renta_directo %>% 
              select(anio, #stock_seleccionado,
                     ppye, tg_normal, renta_total) ) %>% 
  left_join(precios_referencia_y_expo_crudo %>% 
              select(anio, unidad, precio_referencia_externo = precio_me_crudo)) %>% 
  mutate(ppye = (ppye*10^6)*ipc_18/tcc,
         renta_total = (renta_total*10^6)*ipc_18/tcc,
         unidad_costos= "USD/boe",
         costos_totales = (ci_extr +ms_extr + consumo_k_fijo),
         costos_totales_sum_gcia_normal = costos_totales + (ppye  * tg_normal),
         precio_costo = costos_totales/produccion_total,
         precio_costo_mmbtu = conversor_bepMMBTU_p(precio_costo),
         precio_produccion =costos_totales_sum_gcia_normal/produccion_total,
         precio_venta_potencial = (produccion_total *precio_referencia_externo -
                                     costos_totales)/produccion_total )

Joining, by = "anio"
Joining, by = "anio"
Joining, by = c("anio", "ipc_18")
Joining, by = "anio"
Joining, by = "anio"
Joining, by = "anio"
Joining, by = c("anio", "unidad")

         # precio_venta_potencial = ((ppye * tg_normal)+renta_total)/produccion_total)
# (produccion x precio internacional - costos_totales) / barriles BOE = gcia + renta por barril 
#expresar en usd tcc y tcp
costos

# costos %>% 
#            filter(anio > 1997) %>% 
#   ggplot(aes(anio, precio_costo, color = fuente))+ 
#   geom_line(alpha = 0.5, size = 1.4)+
#     labs(title = "Precio de costo",
#          subtitle= "Estimacion propia a partir de CCNN y reestimacion de VBP con criterio CCNN", 
#          y = "USD/BOE", x = "Año")

Comparación con estimación de otros autores

Exportacion de resultados

#raw data for metadata
datos <-  list( prod_merge_crudo, precio_mi_crudo, expo_q_crudo, precios_referencia_y_expo_crudo, prod_merge_gas_MMBTU, 
   precio_interno_gas_mmbtu_usd,  expo_q_gas,  precio_mdomundial_gas_MMBTU, subsidios_hidrocarburos,
   ganancia_y_pbi, tcp_anual_b, ipc_promedio , renta_indirecto[,c(1:13, 17)], renta_dif_precios_crudo[,-14], 
 renta_diferencial_precios_gas[,-13], renta_tcp_crudo[,-c(12:13)], renta_tcp_gas, regalias_usd, retenciones_crudo, subsidios_hidrocarburos, 
 renta_produccion_balances , criterio_propio, renta_directo, renta_directo_pbi[,c(1,14:15)], 
 renta_indirecto[,c(1,19:20)],  ccnn_oficial, criterio_ccnn, empalme_ccnn, criterio_propio, 
renta_comparacion, renta_empresas_balances,  stock_balances_empresas, union_segmentos, costos)

## variables de todos los dataframes
columnas <- c()
for(i in 1:length(datos)){
  columnas <- c(columnas, colnames(datos[[i]]))
}

list_col <-  as.data.frame(unique(columnas))


# x <- readxl::read_excel("columnas.xlsx") %>% 
#   # rename(variable = "unique(columnas)") %>% 
#   mutate(unidad = case_when(str_detect(variable, regex("gas|bolivia"))  & str_detect(variable, regex("precio|price")) ~ "USD/MMBTU",
#                             str_detect(variable, regex("gas|lng"))  & str_detect(variable, regex("prod")) ~ "MMBTU",
#                             str_detect(variable, regex("crudo|petroleo"))  & str_detect(variable, regex("precio")) ~ "USD/Barril",
#                             str_detect(variable, regex("crudo|petroleo")) ~ "Barriles",
#                             str_detect(variable, regex("crudo|petroleo"))  & str_detect(variable, regex("prod|expo")) ~ "Barriles"))
#                             

# writexl::write_xlsx(x, path =  "columnas.xlsx")

t1 <- Sys.time()
delta  <- as.numeric(  t1 - t0, units = "secs")  #calculo la diferencia de tiempos
print( delta) 

[1] 57.99892

 
#concatenacion de all data
all_raw_data = rbindlist(list(prod_merge_crudo ,prod_merge_gas_MMBTU, 
               expo_q_crudo , expo_q_gas_MMBTU,
               precio_mi_crudo, precio_interno_gas_mmbtu_usd, 
               precios_referencia_crudo, precios_exportacion_crudo, 
               precios_referencia_gas, precios_exportacion_gas,
               regalias_to_vars, retenciones_pg, subsidios_pg),  use.names=TRUE)